基于神经网络的多特征融合砂轮磨削性能预测方法技术

本发明专利技术公开了一种基于神经网络的多特征融合砂轮磨削性能预测方法。包括：对砂轮原始灰度图像进行阈值化、边缘检测；基于最小二乘法拟合圆得到砂轮圆心和砂轮外径，砂轮外径作为特征值；抠取砂轮部分图像，计算灰度共生矩阵，将对比度、能量、逆差矩、熵分别作为特征值；测量砂轮的反射能量，作为特征值；对砂轮进行磨削性能实验，将所有特征值与磨削力、磨削速度组成向量并对向量进行磨削比标注；采集多个砂轮的数据，得到砂轮特征矩阵，对矩阵降维处理；将降维后的矩阵作为样本数据集，训练神经网络；采集待预测砂轮的各项特征值，代入训练好的神经网络，得到磨削比。利用本发明专利技术，可以在砂轮磨削性能预测场景中，提高预测效率和准确率。

Prediction method of grinding performance of grinding wheel with multi feature fusion based on Neural Network

【技术实现步骤摘要】
基于神经网络的多特征融合砂轮磨削性能预测方法
本专利技术涉及机器学习
，具体涉及一种基于神经网络的多特征融合砂轮磨削性能预测方法。
技术介绍
砂轮是我国磨具行业中一种重要的磨削工具，其广泛应用于汽车、摩托、重工等制造行业，在我国基础材料加工业起到了至关重要的作用，砂轮一般是由结合剂、超硬磨料通过压坯、干燥、烧制而成。砂轮的一项重要评价指标就是砂轮的磨削性能，经常用磨削比来描述。由于工艺或者是原材料的不同造成了砂轮磨削性能的巨大差别，因而影响了磨削加工质量和企业经济效益。砂轮在生产出来之后需要对磨削性能进行检测，目前在磨具行业中的主要检测方法是通过敲击砂轮，人工听取砂轮声音来判断砂轮质量，然后通过磨削实验平台进行磨削实验，一般磨削实验要进行一周左右，效率极低。目前一些学者对砂轮的磨削性能预测展开研究，一般是通过声波、红外等措施对砂轮磨削性能进行预测，而采用单一传感器方法提取的特征量少，预测结果往往与实际结果之间具有很大的偏差，鲁棒性较差。因此，现有砂轮磨削性能检测技术存在浪费资源、检测周期长、预测结果准确率低的问题。
技术实现思路
本专利技术提供了一种基于神经网络的多特征融合砂轮磨削性能预测方法，该方法基于图像处理技术、机器学习技术实现了砂轮磨削性能的预测，不仅节约资源，而且预测效率更高，预测结果更准确。一种基于神经网络的多特征融合砂轮磨削性能预测方法，该方法包括：步骤一，采用普通灰度相机获取砂轮原始灰度图像，对砂轮原始灰度图像进行阈值化处理，对阈值化处理结果进行边缘检测，获得砂轮边缘轮廓图；步骤二，基于最小二乘法拟合圆方法对砂轮边缘轮廓图进行处理，得到砂轮圆心和砂轮外径，将砂轮外径作为特征值F1；步骤三，基于砂轮外径构建遮罩数据，从砂轮原始灰度图像中抠取砂轮部分图像；步骤四，基于砂轮部分图像的灰度共生矩阵描述砂轮纹理信息，计算灰度共生矩阵的对比度、能量、逆差矩、熵分别作为特征值F2、特征值F3、特征值F4、特征值F5；步骤五，使用超声波发射仪、声发射传感器随机测量砂轮的反射能量，将反射能量作为特征值F6；步骤六，对砂轮进行磨削性能实验，磨削力作为特征值F7，磨削速度作为特征值F8，将获取的特征值组成砂轮特征向量，根据砂轮磨削比，对砂轮特征向量进行标注；步骤七，对多个砂轮进行特征值采集并进行标注，得到砂轮特征矩阵，对砂轮特征矩阵进行奇异值分解，得到降维砂轮特征矩阵；步骤八，将降维砂轮特征矩阵作为样本数据集，基于均方差损失函数训练神经网络，保存训练好的神经网络；步骤九，采集待预测砂轮的各项特征值，代入训练好的神经网络，得到砂轮磨削比。步骤一中的阈值化处理包括：基于最大类间方差法获取阈值；对砂轮原始灰度图像进行阈值化处理。步骤一中的边缘检测具体为：基于Canny算子进行边缘检测。步骤四中的对比度CON为：能量为ASM：逆差矩IDE为：熵ENT为：其中，P(i,j)为灰度共生矩阵P(i，j)处的元素。步骤六中的磨削速度取值范围为[800,1200]，单位是转/分钟，步长为20r/min。步骤七包括：对不同大小、不同粒度、不同原材料的多个砂轮进行特征值采集并进行磨削比标注，得到砂轮特征矩阵；对砂轮特征矩阵进行奇异值分解，得到多个奇异值，对奇异值进行排序，保留特定数量的奇异值；根据保留的奇异值进行矩阵重建，得到降维砂轮特征矩阵。本专利技术的有益效果在于：1.本专利技术采用非接触式检测，无需损坏样品砂轮，减少资源的浪费；2.本专利技术根据采集的砂轮特征数据以及砂轮磨削性能实验数据训练神经网络，得到可以预测砂轮磨削比的神经网络模型，无需对砂轮进行长时间的磨削实验，即可得到磨削比，有检测流程能够实现自动化操作，提高了磨削性能评估效率；3.本专利技术采用多传感器提取多特征，并对多个砂轮进行不同磨削力、磨削速度下的磨削比标注，样本数据集丰富，经过训练得到的神经网络模型具有较高的预测准确率，提高了磨削性能评估准确率。附图说明图1为基于神经网络的多特征融合砂轮磨削性能预测方法流程图；图2为砂轮原始灰度图像示意图；图3为阈值化的砂轮图像示意图；图4为拟合圆得到砂轮外轮廓示意图；图5为砂轮部分图像示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供一种基于神经网络的多特征融合砂轮磨削性能预测方法。本专利技术能够通过相机获取砂轮尺寸信息、表面纹理信息作为特征值，通过超声波获取砂轮反射信息、磨削力和磨削速度作为特征值。采用SVD对数据降维并送入神经网络进行训练，得到预测模型，对砂轮磨削性能进行据测，能够指导砂轮磨削工艺制定。本专利技术方法流程图如图1所示。下面通过具体实施例来进行说明。实施例一：基于神经网络的多特征融合砂轮磨削性能预测方法包括：步骤一，采用普通灰度相机获取砂轮原始灰度图像，对砂轮原始灰度图像进行阈值化处理，对阈值化处理结果进行边缘检测，获得砂轮边缘轮廓图。传统砂轮磨削性能检测方法往往通过磨削实验获得。磨削实验周期往往很长，有些实验甚至需要一周时间，检测效率很低。本专利技术旨在根据磨削性能数据库设计无需进行磨削实验的砂轮磨削性能检测方法。砂轮磨削性能通常与砂轮直径、砂轮磨粒的粒径等因素直接相关。砂轮的磨粒在砂轮图像中呈现为纹理特征，因此，可以使用砂轮纹理特征表征砂轮的磨粒。首先，采用普通相机获取砂轮原始灰度图像G，如图2所示。对砂轮灰度图像进行图像分割，将图像上的像素点的灰度值设置为0或255，使整个图像呈现出明显的黑白效果，方便图像处理。本专利技术采用最大类间方差法获取自适应阈值，根据阈值对砂轮灰度图像G进行二值化处理，从而凸显图像前景部分，即砂轮部分。阈值化的砂轮图像如图3所示。然后，对二值化处理后的图像进行边缘检测，得到砂轮边缘轮廓图。本专利技术使用采用Canny算子进行边缘检测。首先，使用高斯滤波器对二值化处理后的图像进行平滑处理。然后，通过sobel算子采用一阶差分偏导计算梯度值和方向。再对梯度值不是极大值的地方进行抑制，把不是极值的点，全部置0，去掉了大部分弱的边缘。所以图像边缘会变细。用双阈值连接图上的联通点。Canny算法应用双阈值，即一个高阈值和一个低阈值来区分边缘像素。如果边缘像素点梯度值大于高阈值，则被认为是强边缘点。如果边缘梯度值小于高阈值，大于低阈值，则标记为弱边缘点。小于低阈值的点则被抑制掉。设置双阈值t1,t2,是这样的，t1<＝t2大于t2的点肯定是边缘；小于t1的点肯定不是边缘；在t1,t2之间的点，通过已确定的边缘点，发起8连通域像素方向的搜索，图中可达的是边缘，不可达的点不是边缘。最后得出砂轮边缘轮廓图本文档来自技高网...

【技术保护点】
1.一种基于神经网络的多特征融合砂轮磨削性能预测方法，其特征在于，该方法包括：/n步骤一，采用普通灰度相机获取砂轮原始灰度图像，对砂轮原始灰度图像进行阈值化处理，对阈值化处理结果进行边缘检测，获得砂轮边缘轮廓图；/n步骤二，基于最小二乘法拟合圆方法对砂轮边缘轮廓图进行处理，得到砂轮圆心和砂轮外径，将砂轮外径作为特征值F1；/n步骤三，基于砂轮外径构建遮罩数据，从砂轮原始灰度图像中抠取砂轮部分图像；/n步骤四，基于砂轮部分图像的灰度共生矩阵描述砂轮纹理信息，计算灰度共生矩阵的对比度、能量、逆差矩、熵分别作为特征值F2、特征值F3、特征值F4、特征值F5；/n步骤五，使用超声波发射仪、声发射传感器随机测量砂轮的反射能量，将反射能量作为特征值F6；/n步骤六，对砂轮进行磨削性能实验，磨削力作为特征值F7，磨削速度作为特征值F8，将获取的特征值组成砂轮特征向量，根据砂轮磨削比，对砂轮特征向量进行标注；/n步骤七，对多个砂轮进行特征值采集并进行标注，得到砂轮特征矩阵，对砂轮特征矩阵进行奇异值分解，得到降维砂轮特征矩阵；/n步骤八，将降维砂轮特征矩阵作为样本数据集，基于均方差损失函数训练神经网络，保存训练好的神经网络；/n步骤九，采集待预测砂轮的各项特征值，代入训练好的神经网络，得到砂轮磨削比。/n...

【技术特征摘要】
1.一种基于神经网络的多特征融合砂轮磨削性能预测方法，其特征在于，该方法包括：
步骤一，采用普通灰度相机获取砂轮原始灰度图像，对砂轮原始灰度图像进行阈值化处理，对阈值化处理结果进行边缘检测，获得砂轮边缘轮廓图；
步骤二，基于最小二乘法拟合圆方法对砂轮边缘轮廓图进行处理，得到砂轮圆心和砂轮外径，将砂轮外径作为特征值F1；
步骤三，基于砂轮外径构建遮罩数据，从砂轮原始灰度图像中抠取砂轮部分图像；
步骤四，基于砂轮部分图像的灰度共生矩阵描述砂轮纹理信息，计算灰度共生矩阵的对比度、能量、逆差矩、熵分别作为特征值F2、特征值F3、特征值F4、特征值F5；
步骤五，使用超声波发射仪、声发射传感器随机测量砂轮的反射能量，将反射能量作为特征值F6；
步骤六，对砂轮进行磨削性能实验，磨削力作为特征值F7，磨削速度作为特征值F8，将获取的特征值组成砂轮特征向量，根据砂轮磨削比，对砂轮特征向量进行标注；
步骤七，对多个砂轮进行特征值采集并进行标注，得到砂轮特征矩阵，对砂轮特征矩阵进行奇异值分解，得到降维砂轮特征矩阵；
步骤八，将降维砂轮特征矩阵作为样本数据集，基于均方差损失函数训练神经网络，保存训练好的神经网络；
步骤九，采集待预测砂轮的各项特征值，代入训练好的神经网络，得到砂轮磨削比。


2.如权利要求1所述的基于神经网络的多特征融合砂轮磨...

【专利技术属性】
技术研发人员：魏志康，杨静日，
申请(专利权)人：魏志康，
类型：发明
国别省市：河南;41